Аналитика в авиакомпании

Открытие данных и изучение общей информации

import plotly.express as px
import pandas as pd 
import numpy as np
import warnings

warnings.filterwarnings('ignore')

Прочитаем данные из файлов:

df1 = pd.read_csv('/Users/test/Desktop/Проекты Практикума/6 Сбор и хранение данных/datasets/query_1.csv', sep=',')
df1

	model	flights_amount
0	Airbus A319-100	607
1	Airbus A321-200	960
2	Boeing 737-300	630
3	Boeing 767-300	600
4	Boeing 777-300	300
5	Bombardier CRJ-200	4446
6	Cessna 208 Caravan	4557
7	Sukhoi SuperJet-100	4185

df1.describe().T

	count	mean	std	min	25%	50%	75%	max
flights_amount	8.0	2035.625	1965.203947	300.0	605.25	795.0	4250.25	4557.0

df3 = pd.read_csv('/Users/test/Desktop/Проекты Практикума/6 Сбор и хранение данных/datasets/query_3.csv', sep=',')
df3.head()

	city	average_flights
0	Абакан	3.870968
1	Анадырь	1.000000
2	Анапа	2.161290
3	Архангельск	5.354839
4	Астрахань	2.451613

df3.describe().T

	count	mean	std	min	25%	50%	75%	max
average_flights	101.0	5.494189	13.11979	1.0	2.0	3.0	5.870968	129.774194

Проверка типов данных

Проверим типы данных на корректность:

df1.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 8 entries, 0 to 7
Data columns (total 2 columns):
 #   Column          Non-Null Count  Dtype 
---  ------          --------------  ----- 
 0   model           8 non-null      object
 1   flights_amount  8 non-null      int64 
dtypes: int64(1), object(1)
memory usage: 256.0+ bytes

df3.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 101 entries, 0 to 100
Data columns (total 2 columns):
 #   Column           Non-Null Count  Dtype  
---  ------           --------------  -----  
 0   city             101 non-null    object 
 1   average_flights  101 non-null    float64
dtypes: float64(1), object(1)
memory usage: 1.7+ KB

Изменим тип данных у столбцов flights_amount и average_flights:

df1['flights_amount'] = np.uint16(df1['flights_amount'])
df1.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 8 entries, 0 to 7
Data columns (total 2 columns):
 #   Column          Non-Null Count  Dtype 
---  ------          --------------  ----- 
 0   model           8 non-null      object
 1   flights_amount  8 non-null      uint16
dtypes: object(1), uint16(1)
memory usage: 208.0+ bytes

df3['average_flights'] = np.float16(df3['average_flights'])
df3.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 101 entries, 0 to 100
Data columns (total 2 columns):
 #   Column           Non-Null Count  Dtype  
---  ------           --------------  -----  
 0   city             101 non-null    object 
 1   average_flights  101 non-null    float16
dtypes: float16(1), object(1)
memory usage: 1.1+ KB

df3.describe().T

	count	mean	std	min	25%	50%	75%	max
average_flights	101.0	5.496094	13.117188	1.0	2.0	3.0	5.871094	129.75

Исследовательский анализ данных

Выберем топ-10 городов по количеству рейсов

df_top = df3.sort_values(by='average_flights', ascending=False).head(10)
df_top

	city	average_flights
43	Москва	129.750000
70	Санкт-Петербург	31.156250
54	Новосибирск	17.328125
33	Красноярск	11.578125
20	Екатеринбург	11.320312
67	Ростов-на-Дону	10.195312
63	Пермь	10.132812
10	Брянск	10.000000
74	Сочи	9.609375
84	Ульяновск	9.578125

Построим графики:

fig = px.bar(df1.sort_values(by='flights_amount', ascending=False), x="model", y="flights_amount", barmode="group",
            title='Модели самолетов и количество рейсов')
fig.show()

fig = px.bar(df3.sort_values(by='average_flights', ascending=False), x="city", y="average_flights", barmode="group",
            title='Города и количество рейсов')
fig.show()

fig = px.bar(df_top.sort_values(by='average_flights', ascending=False), x="city", y="average_flights", barmode="group",
            title='Города и количество рейсов')
fig.show()

Выводы

Первый график

По графику моделей самолетов и кол-ву рейсов в сентябре 2018 года можно увидеть, что выделяются следующие модели: Bombardier CRJ-200, Cessna 208 Caravan и Sukhoi SuperJet-100

Рассмотрим описание этих моделей:

• Cessna 208 Caravan: американский лёгкий самолёт общего назначения с неубирающимся шасси. Используется на авиалиниях малой протяжённости.
• Bombardier CRJ-200: семейство региональных самолётов, производимых канадской компанией Bombardier.
• Sukhoi SuperJet-100: российский пассажирский самолёт, предназначенный для перевозки от 87 до 108 пассажиров на дальность 3050 или 4600 км.

При этом для сравнения:

• Boeing 737: пассажирский самолёт, является самым массовым пассажирским самолётом за всю историю пассажирского авиастроения.

Компания может специализироваться на внутренних авиалиниях, между малыми городами и будет меньшая протяженность, меньшее кол-во пассажиров. А крупные пассажирские самолеты могут быть использованы для перелетов на авиалиниях с большой загрузкой (например, Москва-Питер) или большой протяженности, Москва-Владивосток

Второй график

По информации о городах и среднем количестве рейсов, прибывающих в них за день в августе 2018 года и по построенному графику выделяется Москва с большим отрывом от других городов (почти 130 прилётов в день). Далее Питер и Новосибирск.

Третий график

В топ-10 по количеству рейсов и городам уверенно лидирует Москва, как это было видно на предыдущем графике. Здесь видна уже весь топ. Располагаются почти согласно кол-ву населения, но удивительно, что нет городов Нижний Новгород, Казань, Челябинск, Самара, Омск (сравнивала с топом по населению здесь https://www.sites.google.com/site/ruregdatav1/largest_cities_russia)